Gaussian Lane Keeping: A Robust Prediction Baseline

要約

車両や歩行者に対するエージェントの行動を予測することは、さまざまな意図に伴う不確実性、エージェント間の相互作用、交通 (環境) ルール、個人の傾向、エージェントのダイナミクスなど、無数の要因により困難です。
その結果、これらの複雑さを網羅してエージェントの動作を正確に予測するために、ニューラル ネットワーク駆動の予測モデルが多数文献に導入されています。
それにもかかわらず、これらのアプローチの多くは、トレーニング データセットを超えるシナリオに直面すると行き詰まり、解釈可能性に欠けるため、自動運転などの実世界のアプリケーションへの適合性について懸念が生じます。
さらに、これらのモデルは追加のトレーニング、大量の計算リソース、または特定の入力機能を必要とすることが多く、大規模な実装作業が必要になります。
これに応えて、私たちはガウス レーン キーピング (GLK) を提案します。これは、新しいアルゴリズムを開発する際の比較のための確固たるベースラインと、実際の展開のための健全性チェックを提供できる自動運転車の堅牢な予測手法です。
GLK モデルにいくつかの拡張機能を提供し、CitySim データセットで評価し、ニューラル ネットワーク ベースの予測を上回るパフォーマンスを示します。

要約(オリジナル)

Predicting agents’ behavior for vehicles and pedestrians is challenging due to a myriad of factors including the uncertainty attached to different intentions, inter-agent interactions, traffic (environment) rules, individual inclinations, and agent dynamics. Consequently, a plethora of neural network-driven prediction models have been introduced in the literature to encompass these intricacies to accurately predict the agent behavior. Nevertheless, many of these approaches falter when confronted with scenarios beyond their training datasets, and lack interpretability, raising concerns about their suitability for real-world applications such as autonomous driving. Moreover, these models frequently demand additional training, substantial computational resources, or specific input features necessitating extensive implementation endeavors. In response, we propose Gaussian Lane Keeping (GLK), a robust prediction method for autonomous vehicles that can provide a solid baseline for comparison when developing new algorithms and a sanity check for real-world deployment. We provide several extensions to the GLK model, evaluate it on the CitySim dataset, and show that it outperforms the neural-network based predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google